Probabilidade axiomática
|
|
- Beatriz Ávila
- 5 Há anos
- Visualizações:
Transcrição
1 Capítulo 2 Probabilidade axiomática Uma das dificuldades em desenvolver uma teoria matemática das probabilidades tem sido a de chegar a uma definição simples e precisa o suficiente para usar em matemática, mas abrangente para ser aplicável a uma vasta gama de fenômenos. A busca de uma definição amplamente aceitável levou quase três séculos e foi marcado por muita controvérsia. A questão foi finalmente resolvida no século 20, tratando a teoria das probabilidades em uma base axiomática. Em 1933, uma monografia do matemático russo A. Kolmogorov delineou uma abordagem axiomática que forma a base para a moderna teoria 1. Desde então, as ideias foram aperfeiçoadas e um pouco da teoria das probabilidades é agora parte de uma disciplina mais geral conhecida como teoria da medida. Dedicaremos este capítulo à definição moderna da função de probabilidade ou simplesmente probabilidade. Entendemos por definição moderna a definição axiomática e, portanto, definição matematicamente fundamentada e proposta por A.N.Kolmogorov em Para entender a definição moderna de probabilidades devemos compreender primeiro os conceitos de álgebra e σ-álgebra de eventos aleatórios e, ainda, entender uma situação particular destes conjuntos quando aplicados estes conceitos na reta real, a chamada σ-álgebra de Borel. 2.1 Álgebra e σ-álgebra de eventos aleatórios Vamos supor que a classe dos eventos aleatórios possua certas propriedades básicas intuitivas, as quais serão primordiais para o desenvolvimento posterior da teoria das probabilidades. Se o espaço amostral não é enumerável, 1 A monografia de Kolmogorov, original em russo, está disponível em tradução ao inglês como Fundamentos da Teoria da Probabilidade 33
2 34 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA muitas vezes não é possível encontrar funções não triviais que meçam todos os conjuntos de Ω, enquanto que a aditividade ainda se mantém. Neste caso, é necessário a medida, pelo menos, ser aplicável a uma grande classe de subconjuntos, esperando que o classe é grande o suficiente e de grande relevância para os conjuntos que surgem na prática. Tal coleção de subconjuntos é chamado de σ-álgebra, e devem satisfazer propriedades fechadas agradáveis. Lembremos que se dados dois eventos A e B no espaço amostral Ω, dizemos que A B se ω A implica que ω B. Em palavras, a ocorrência de A implica a ocorrência de B. A união de dois eventos A e B é definida como A B = {ω : ω A ou ω B} e representa o evento de que pelo menos um dos dois eventos A ou B ocorrem. A interseção de dois eventos A e B é A B = {ω : ω A e ω B} e representa o evento de que ambos A e B ocorrem. Também, dois eventos A e B são disjuntos ou mutuamente exclusivos se A B =, sendo o evento vazio. Isso significa que A e B não ocorrem simultaneamente. Para qualquer evento A, o complementar de A é A c = {ω : ω / A} e representa o evento de que A não ocorre. Ainda temos que as operações binárias e satisfazem as leis de distributivas: para quaisquer eventos A, B e C, temos que e A (B C) = (A B) (A C) A (B C) = (A B) (A C) Estas e outras propriedades de eventos foram estudadas na Seção 1.1. Acontece que muitas vezes é conveniente ou mesmo necessário transformar as combinações de eventos em formas alternativas. Nesse sentido propriedades interessantes são as chamadas Leis de Morgan 2. Teorema 2.1 (Leis de Morgan). Sejam A e B eventos no mesmo espaço amostral Ω. Então se satisfaz que (a) (A B) c = A c B c, (b) (A B) c = A c B c. 2 Augustus De Morgan ( ), matemático e lógico inglês. Em particular, foi ele quem definiu e introduziu o termo indução matemática.
3 2.1. ÁLGEBRA E σ-álgebra DE EVENTOS ALEATÓRIOS 35 Demonstração. (a) (A B) c ={ω : ω A ou ω B} c = {ω : ω / A e ω / B} = A c B c. (b) Exercício. Notamos que (a), no Teorema 2.1, estabelece que o evento de que nenhum A e B ocorre é igual ao complementar do evento de que pelo menos um de A ou B ocorre. Já o item (b), no mesmo teorema, expressa que o complementar do evento de que ambos A e B ocorrem é exatamente o evento de que ao menos um deles não ocorre. Definição 2.1. Seja F uma classe de eventos aleatórios definidos no espaço amostral Ω, não vazio. Para que F seja uma álgebra de eventos, deve satisfazer as condições: (a) Ω F, (b) Se A F, então A c F, (c) Se A F e B F, então A B F. A seguir consideraremos sempre que o espaço amostral Ω é não vazio, a menos que seja explicitado o contrário. Uma questão agora é: num determinado experimento, será que sempre é possível definir uma álgebra de eventos? o seguinte exemplo nos mostra um caminho para chegar à resposta desta questão. Exemplo 2.1. No caso do lançamento de uma moeda e somente considerando como possíveis resultados Ω = {cara, coroa}, uma álgebra de eventos seria F = {, Ω, {cara}, {coroa}}. Teorema 2.2. Seja F uma álgebra de eventos de subconjuntos de Ω. Então valem as seguintes propriedades: (a) F, (b) Para todo n e para todo A 1, A 2,, A n F, temos que n A i F i=1 e n A i F i=1
4 36 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Demonstração. A demonstração de (a) é evidente do item (b) na definição 2.1, se Ω F, então Ω c = F. Pela definição de álgebra de eventos, sabemos que A 1 A2 F, então (A 1 A2 ) A 3 F. Por indução, Observando que n A i F i=1 ( n n c A i = Ai) c, i=1 segundo o item (b) da Lei de Morgan e, aplicando sucessivamente o item (b) na Definição 2.1, temos que n i=1 A i F. Fizemos-no a pergunta de se álgebras de subconjuntos de um espaço amostral não vazio sempre existem. Acontece que, quando Ω é finito sempre é possível definir a álgebra de todas as partes de Ω, isto é, F = P(Ω), este conhecido como conjunto potência. Por exemplo, no Exemplo 2.1 onde Ω = {cara, coroa} temos F = P(Ω) = {, Ω, {cara}, {coroa}}. A classe P(Ω) tem 2 2 = 4 elementos, de modo que há 4 eventos aleatórios associados a este experimento. No caso finito geral, se Ω tem n elementos, P(Ω) tem 2 n elementos. Exemplo 2.2. Se Ω = {1, 2, 3}, então P(Ω) = 2 Ω = 2 3 = 8, estamos denotando cardinalidade ou número de elementos de um conjunto por. Neste caso i=1 P(Ω) = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, Ω} Exemplo 2.3. Seja Ω um espaço amostral. As seguintes classes de subconjuntos de Ω são álgebras: (a) F 1 = {, Ω}, (b) F 2 = {, A, A c, Ω}, sendo A Ω, (c) F 3 = P(Ω). A demonstração que as classes de conjuntos definidos acima são álgebras é um exercício para o leitor. Quando Ω é finito uma álgebra é uma classe adequada para o cálculo de probabilidades. Isto deve-se a que uma álgebra contém o evento impossível, o evento certo, o evento contrário de qualquer evento que pertença a classe, a
5 2.1. ÁLGEBRA E σ-álgebra DE EVENTOS ALEATÓRIOS 37 união e interseção de eventos que pertençam à classe, isto é, em regra todos os acontecimentos interessantes. No caso Ω infinito, mesmo que enumerável, uma álgebra deixa de servir para a construção de uma teoria que seja mais forte. Resulta que quando Ω é infinito existem acontecimentos interessantes expressos pela união infinita de outros acontecimentos ou de acontecimentos elementares. Então ao invés de utilizarmos álgebra de eventos, deve-se utilizar σ-álgebra de eventos. Definição 2.2. Seja F uma classe de eventos aleatórios definidos no espaço amostral Ω. Para que F seja uma σ-álgebra de eventos, deve satisfazer as condições: (a) Ω F, (b) Se A F, então A c F, (c) Se A i F, para n = 1, 2,, então A i F. i=1 Uma σ-álgebra é sempre uma álgebra. Seja F uma σ-álgebra, então se A, B F A B = A B B F, logo F é álgebra. O contrário não é verdade, nem toda álgebra é σ-álgebra. Exemplo 2.4. Vamos considerar outro exemplo importante aqui, o espaço amostral associado a um número infinito de jogadas de uma moeda. Seja Ω = {ω = (ω 1, ω 2, ) : ω j = 0 ou 1} Pensamos em 0 como resultado coroa e 1 como cara. positivo n, seja Para cada inteiro Ω n = {(ω 1, ω 2,, ω n ) : ω j = 0 ou 1} Cada Ω n é um conjunto finito de 2 n elementos. Denotemos por F n as σ- álgebras consistindo de todos os eventos que dependem apenas dos primeiros n lançamentos. Mais formalmente, definimos F n como a coleção de todos os subconjuntos de A Ω, tais que exista um E P(Ω) com A = {(ω 1, ω 2, ) : (ω 1, ω 2,, ω n ) E}
6 38 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Observemos que F n é uma σ-álgebra finita contendo 2 2n subconjuntos e F 1 F 2 F 3 Definamos F 0 = F n n=1 Mostrar que F 0 é álgebra mas não é σ-álgebra fica como exercício ao leitor. Teorema 2.3. Seja F uma σ-álgebra definida em Ω. Se A 1, A 2, F, então A i F i=1 Demonstração. i=1 F = ( i=1 A i) c. Exemplo 2.5. Seja Ω um espaço amostral não enumerável e seja F uma classe que consiste de todos os subconjuntos enumeráveis de Ω e de todos os subconjuntos de Ω cujos complementares são enumeráveis. Então F é una σ-álgebra. Primeiro observemos que Ω c é enumerável (o vazio é enumerável, contém zero elementos), então Ω F. Seja A F, se A é enumerável o complementar de A c é enumerável, logo A c F. Caso A não seja enumerável então A c é enumerável e, portanto, A c F. Consideremos A 1, A 2, F. Caso todos os A i sejam enumeráveis, então i=1a i F. Sejam A i1, A i2, conjuntos não enumeráveis de F. Pelo Teorema 2.1 temos que ( k A ik ) c = k A c i k. Observemos que cada A c i 1, A c i 2, é enumerável, então k A c i k é enumerável e, portanto, k A c i k F. Teorema 2.4. Seja F uma σ-álgebra definida em Ω. Se A, B F, então A \ B F e A B F. Demonstração. Exercício. Devemos observar que a união de σ-álgebras não é necessariamente uma σ-álgebra. Vejamos o seguinte exemplo.
7 2.1. ÁLGEBRA E σ-álgebra DE EVENTOS ALEATÓRIOS 39 Exemplo 2.6. Sejam F 1 e F 2 duas σ-álgebras definidas em Ω. Sejam Ω = {1, 2, 3}, F 1 = {, {1}, {2, 3}, Ω} e F 2 = {, {1, 2}, {3} Ω}. Observemos que F 1 F 2 = {, {1}, {1, 2}, {2, 3}, {3}, Ω}, e que o subconjunto {2, 3} \ {3} = {2} / F 1 F 2. No caso Ω finito P(Ω), o conjunto das partes de Ω ou conjunto potência de Ω, é uma σ-álgebra. No caso Ω infinito, em especial contínuo, a construção de uma σ-álgebra de eventos Ω é mais complexa. Este assunto será objeto de estudo sa Seção Definição 2.3. Uma σ-álgebra F definida em Ω é mínima em relação a todas as σ-álgebras que contém a classe de conjuntos C se satisfaz: (a) C F, (b) Se G é uma outra σ-álgebra definida em Ω e C G, então F G. Exemplo 2.7. Seja Ω um espaço amostral enumerável. Nestas condições sempre podemos construir duas σ-álgebras F 0 = {, Ω} e F 1 = P(Ω). Observemos que se F é uma outra σ-álgebra definida em Ω, se satisfaz que F 0 F F 1. Assim, podemos dizer que F 0 é a menor σ-álgebra possível e F 1 é a maior σ-álgebra possível. Devemos esclarecer que a menor σ-álgebra possível F 0 sempre existe, mais isso não significa que F 0 seja sempre a σ-álgebra mínima. Observe que o conceito de σ-álgebra mínima depende da classe de conjuntos C. Definição 2.4 (σ-álgebra gerada). Seja Ω um espaço amostral e C uma classe de subconjuntos de Ω. Dizemos que σ(c) é uma σ-álgebra gerada por C se σ(c) contém C e é mínima em relação a todas as σ-álgebras que contém C. Exemplo 2.8. Sejam A, B Ω tais que A B =. Definamos a classe C = {A, B}. A menor σ-álgebra que contém a classe C ou σ-álgebra mínima que contém C é σ(c) = {, A, B, (A B), (A B) c, A c, B c, Ω}, e, portanto, é a σ-álgebra gerada por C.
8 40 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Teorema 2.5. Sejam C 1 e C 2 duas classes de subconjuntos de Ω tais que C 1 C 2. Então σ(c 1 ) σ(c 2 ) Demonstração. Sabemos que C 1 C 2 σ(c 2 ). Então σ(c 2 ) é uma σ-álgebra que contém C 1, portanto σ(c 1 ) σ(c 2 ). Exemplo 2.9. Sejam A, B, C Ω disjuntos dois a dois. Definamos as classes C 1 = {A, B} e C 2 = {A, B, C}. Do Exemplo 2.8 temos que É claro que C 1 C 2 e σ(c 1 ) = {, A, B, (A B), (A B) c, A c, B c, Ω} σ(c 2 ) = {, A, B, C, (A B), (A C), (B C), (A B C), (A B) c, (A C) c, (B C) c, (A B C) c, A c, B c, C c, Ω}, portanto, σ(c 1 ) σ(c 2 ). Teorema 2.6. Se C é uma σ-álgebra, então σ(c) = C. Demonstração. Sabemos que C σ(c). σ(c) C, o que demonstra a igualdade. Dado que C é σ-álgebra, então A interseção de σ-álgebras é uma σ-álgebra (ver Exercício 18), isto permite definir de maneira diferente σ-álgebra gerada. Teorema 2.7. Seja C uma classe de subconjuntos de Ω. A σ-álgebra gerada por C é σ(c) = {F : F é uma σ-álgebra e C F} (2.1) Demonstração. A σ-álgebra definida em (2.1) contém a coleção C e se G for uma σ-álgebra que contenha C, então σ(c) G. Isto mostra que σ(c) é uma σ-álgebra mínima em relação a todas as σ-álgebras que contém a classe de conjuntos C e, portanto, a σ-álgebra em (2.1) é uma σ-álgebra gerada por C segundo a Definição 2.4. A conclusão da demonstração é exercício para o leitor.
9 2.1. ÁLGEBRA E σ-álgebra DE EVENTOS ALEATÓRIOS σ-álgebra de Borel Quando o espaço amostral é um conjunto finito de n elementos ou infinito enumerável podemos considerar às σ-álgebras consistindo de todos os seus subconjuntos, com as respectivas potências 2 n ou 2 N. No entanto, quando o espaço amostral é o conjunto de números reais ou um intervalo nos reais, esta escolha levanta uma série de problemas técnicos. Neste caso, gostaríamos que todos os subconjuntos de um único ponto de Ω e todos os intervalos fechados, abertos ou semi-fechados fossem eventos. Os problemas técnicos aos quais fizemos referência serão resolvidos utilizando uma σ-álgebra especial nos números reais, conhecida como σ-álgebra de Borel 3. Excelentes livros deste tema são Halmos (1950), Kolmogorov & Fomin (1961) e Royden (1988), dentre outros. Recordemos que um conjunto E R, onde R denota o conjunto dos números reais, é dito ser um conjunto aberto se para todo elemento x E existe algum ϵ > 0, que depende de x, de maneira que o intervalo (x ϵ, x+ϵ) esteja contido em E. Recordemos também que todo intervalo real da forma (a, b), < a < b < + é um conjunto aberto de R. Um conjunto F R é dito fechado se F c for um conjunto aberto. Observemos que ambos R e são, simultaneamente, conjuntos abertos e fechados. Chamemos O a coleção de todos os conjuntos abertos de R, não é difícil perceber que O não é uma σ-álgebra de subconjuntos de R. Observe que se A O, então A é um conjunto aberto e, por definição, A c é um conjunto fechado, logo A c / O. Entretanto σ(o), a σ-álgebra gerada por O, existe e satisfaz que O σ(o). Isto nos permite a seguinte definição. Definição 2.5 (σ-álgebra de Borel). Sejam Ω = R e O a classe dos conjuntos abertos em R. Define-se a σ-álgebra de Borel sobre R, denotada por B(R), como B(R) = σ(o) Dado que B(R) é uma σ-álgebra, vemos que necessariamente contém todos os conjuntos abertos, todos os conjuntos fechados, todas as uniões de conjuntos abertos, todas as uniões de conjuntos fechados, todas as interseções de conjuntos fechados e todas as interseções de conjuntos abertos. Os elementos de B(R) são chamados de Borelianos na reta e, em termos intuitivos, 3 Emile Borel ( ), matemático francês. Um dos principais contribuidores da atual teoria da medida, da qual a teoria das probabilidades moderna é uma situação particular independente.
10 42 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA um Boreliano é um conjunto que pode ser obtido de um número enumerável de conjuntos abertos aplicando-se as operações e, assim como o complemento um número enumerável de vezes. O seguinte teorema carateriza os conjuntos reais abertos e será de grande utilidade. Teorema 2.8. Seja E R um conjunto aberto. Então existe, pelo menos, uma quantidade enumerável de intervalos abertos disjuntos I k, k = 1, 2,, tais que E = I k Demonstração. A ideia é definir a relação de equivalência em E da seguinte maneira. Se a, b E, dizemos que a é equivalente a b, escrevemos a b, se o intervalo aberto (a, b) estiver contido em E. Esta relação de equivalência particiona E na união de conjuntos disjuntos. Não sabemos a priori se existe uma quantidade enumerável destes conjuntos. Assim sendo, denotemos estes conjuntos por I k, k J, onde J é um conjunto de índices qualquer. Observemos que I k, de fato, é um intervalo pelo seguinte motivo: se a k, b k I k, então a k b k de modo que o intervalo aberto (a k, b k ) está contido em I k. dado que a k e b k são arbitrários vemos que I k é um intervalo. O próximo passo é provar que I k é um conjunto aberto. Seja x I k, um elemento arbitrário. Dado que x E e E é aberto, sabemos existe um ϵ > 0 de maneira que (x ϵ, x + ϵ) E. Contudo, temos claramente que a x para todo a (x ϵ, x + ϵ), o qual implica que a ϵ-vizinhança de x está contida em I k. Portanto, I k é um conjunto aberto, como requerido. Por último, vamos mostrar que há, no máximo, um número enumerável de I k. Isto resulta do fato de que, cada I k deve conter pelo menos um número racional. Uma vez que existem enumeráveis números racionais, pode haver no máximo enumeráveis intervalos I k. Em momento algum dizemos que B(R) seja o conjunto das partes dos reais ou, em outras palavras, nós não provamos que não existam conjuntos reais que não sejam Borelianos. Exemplos de conjuntos reais não Borelianos podem ser encontrados em Royden (1988). De fato, não existe um procedimento simples para determinar quando um dado conjunto A R é um Boreliano ou não. No entanto, uma maneira para entendermos melhor a σ-álgebra de Borel B(R) é demonstrando que ela pode ser gerada pelos intervalos da forma (, a], isso será provado no Teorema 2.10.
11 2.1. ÁLGEBRA E σ-álgebra DE EVENTOS ALEATÓRIOS 43 Antes disso apresentamos um resultado auxiliar. Teorema 2.9. Sejam x, y R com x < y. Então, podemos escrever: 1- (x, y] = (, y] \ (, x], 2- {x} = (x 1n ], x, n=1 3- (x, y) = (x, y] \ {y}, 4- [x, y] = (x, y] {x}, 5- [x, y) = {x} (x, y] \ {y}, 6- (x, + ) = (, x] c. Demonstração. Exercício. Exemplo Observemos que, segundo os resultados apresentados no Teorema 2.9, para escrever o intervalo aberto (x, + ) podemos utilizar uma sequência de intervalos com extremos direitos divergentes. Assim, podemos escrever que (x, + ) = (x, x + n) n=0 Significa que qualquer seja y R tal que y > x então y (x, x + n) n=0 As relações apresentadas no teorema anterior serão frequentemente usadas nas demonstrações de resultados. A seguir demonstramos um teorema muito importante porque nos mostra uma forma de encontrar elementos de B(R). Teorema Seja I a classe dos intervalos I = {(, a] : a Q}, Q é o conjunto dos números racionais. Então, a σ-álgebra de Borel B(R) é gerada por I, isto é, B(R) = σ(i)
12 44 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Demonstração. Denotemos por O a classe todos os intervalos abertos. Dado que todo conjunto aberto em R é, pelo menos, união enumerável de intervalos abertos (ver Teorema 2.8), nós devemos ter que σ(o) = B(R). Denotemos por I a coleção de todos os intervalos da forma (, a], a Q. Seja (a, b) O para algum b > a, com a, b Q. Seja de modo que a n a quando n e a n = a + 1 n, b n = b 1 n, de modo que b n b quando n. Portanto (a, b) = (a n, b n ] = n=1 {(, b n ] (, a n ] c }, n=1 o qual implica que (a, b) σ(i). Isto é, O σ(i) de forma que σ(o) σ(i). Contudo, todo elemento de I é um conjunto fechado, logo Isto dá a cadeia de contenções σ(i) B(R) B(R) = σ(o) σ(i) B(R), de forma que σ(i) = B(R), provando o resultado. Teorema Sejam x, y números reais tais que x < y. Os intervalos (x, + ), (x, y), [x, y], [x, y), (x, y] e (x) são todos elementos de B(R). Demonstração. Exercício. Segundo este teorema uniões enumeráveis, intercepções e complementos dos conjuntos mencionados são todos Borelianos. Isto pode ser utilizado para verificar os seguintes resultados. Exemplo O conjunto Q, dos números racionais, é Boreliano por ser união enumerável de intervalos degenerados, ou seja, pontos. O conjunto dos números irracionais I também o é, pois é complementar de união enumerável.
13 2.1. ÁLGEBRA E σ-álgebra DE EVENTOS ALEATÓRIOS 45 Além da definição estabelecida, existem outras formas equivalentes de gerar a σ-álgebra de Borel. Esse é o conteúdo do seguinte resultado. Teorema Estas σ-álgebras são todas idênticas a B(R). 1- σ({(x, y) : x y}). 2- σ({[x, y] : x y}). 4- σ({[x, y) : x y}). 5- σ({[x, + ) : x R}). 3- σ({(x, y] : x y}). Demonstração. Apresentamos somente a demonstração da primeira situação, as outras situações demonstram-se de maneira similar. Para demonstrar que B(R) = σ({(x, y) : x y}) verificamos as duas sentenças: Primeiro (x, y) B(R), então {(x, y) : x y} B(R), portanto σ({(x, y) : x y}) B(R). Sabemos que (, y] σ({(x, y) : x y}), devido a que (, y] = (, y) {y} e (, y) = n=1 (x n, y). Então {(, y] : y R} σ({(x, y) : x y}). Portanto B(R) σ({(x, y) : x y}). De forma equivalente, pode definir-se B(R) como a σ-álgebra mínima gerada por todos os subconjuntos abertos de R. Em ambos os casos, a σ- álgebra gerada é B(R). É natural perguntar-se se à coleção B(R) pertencem todos os subconjuntos de R, pergunta que nos fizemos atrás. Mesmo com todos os esclarecimentos acerca dos conjuntos que pertencem a σ álgebra de Borel a resposta é negativa, ou seja, pode-se demonstrar que existem subconjuntos dos números reais que não pertence a B(R). A construção de tais conjuntos não é simples e alguns exemplos podem ser consultados também em Halmos (1950) e Cohn (1980). Também é possível considerar, se interessante for, a σ-álgebra dos conjuntos de Borel restrita a uma porção dos números reais, por exemplo, restrita ao intervalo [0, 1] R. Nesta situação, a σ-álgebra de Borel em [0, 1] é a σ-álgebra gerada pela coleção dos conjuntos abertos em [0, 1], a qual pode ser pensada como a restrição de B(R) ao intervalo [0, 1], como demonstrado no próximo teorema.
14 46 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Teorema Suponhamos que Ω seja o espaço amostral e que Ω Ω. Então (a) se F é uma σ-álgebra de subconjuntos de Ω e F = {A Ω : A F}, temos que F é uma σ-álgebra de subconjuntos de Ω e (b) se a classe de subconjuntos C gera a σ-álgebra F em Ω e C = {A Ω : A C}, temos que C gera a σ-álgebra F em Ω. Demonstração. Exercício. O conceito de σ-álgebra de Borel pode ser estendido para dimensões mais elevadas. 2.2 Definição axiomática de probabilidade A noção clássica da teoria da probabilidade, que começa com a noção de casos igualmente prováveis, dominou por 200 anos. Seus elementos foram postos em prática no início do século XVIII e permaneceram assim até o início do século XX. Ainda hoje a probabilidade clássica é utilizada no cálculo de probabilidades. No início do século XX, muitos matemáticos estavam insatisfeitos com o que viram como uma falta de clareza e rigor no cálculo de probabilidades. A chamada mais célebre de esclarecimento veio de David Hilbert 4. O sexto dos vinte e três problemas então em aberto que Hilbert apresentou ao Congresso Internacional de Matemáticos, em Paris, em 1900, foi para tratar axiomaticamente a teoria das probabilidades. A teoria matemática da probabilidade, como a conhecemos hoje, é de origem relativamente recente. Foi A.N. Kolmogorov que axiomatiza a probabilidade em sua obra fundamental Foundatins of the Theory of Probability em 1933 (Kolmogorov, 1933). De acordo com este desenvolvimento, eventos aleatórios são representados por conjuntos e probabilidade é apenas uma medida padronizada definida nesses conjuntos. 4 David Hilbert ( ) foi um matemático alemão. David Hilbert é um dos mais notáveis matemáticos, e os tópicos de suas pesquisas são fundamentais em diversos ramos da matemática atual. Hilbert é frequentemente considerado como um dos maiores matemáticos do século XX, no mesmo nível de Henri Poincaré. Devemos a ele principalmente a lista de 23 problemas, alguns dos quais não foram resolvidos até hoje, apresentada em 1900 no Congresso Internacional de Matemáticos em Paris.
15 2.2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE 47 Este desenvolvimento da teoria não só forneceu uma base logicamente consistente para a teoria das probabilidades, como também e ao mesmo tempo, junto-à corrente principal da matemática moderna. Nesta seção definiremos a função de probabilidade e estudaremos algumas propriedades importantes. Definição 2.6 (Definição Axiomática de Probabilidade). Seja Ω um espaço amostral e F uma σ-álgebra definida em Ω. A função P : F [0, 1] é chamada de medida de probabilidade ou simplesmente probabilidade se satisfaz os seguintes axiomas: Axioma I: P (A) 0, para todo A F, Axioma II: P (Ω) = 1, Axioma III: Seja {A n } n=1 uma sequência de conjuntos disjuntos de F, isto é, A i A j = para i j. Então ( ) P A n = P (A n ) n=1 n=1 Chamaremos P (A) de probabilidade do evento A. A propriedade contida no Axioma III é chamada de aditividade enumerável. Observemos também que P ( ) = 0. Uma pergunta básica sempre que são definidos novos conceitos é saber se a função de probabilidade sempre existirá, qualquer seja o espaço amostral. Veremos aqui como definir a função de probabilidade quando Ω contiver uma quantidade finita de elementos, quando contiver uma quantidade infinita enumerável de elementos e no caso quando contiver uma quantidade infinita não enumerável de elementos, chamado de caso contínuo. Teorema Seja Ω um espaço amostral não vazio e F uma σ-álgebra definida em Ω. A função de probabilidade é finitamente aditiva. Dizemos que una função de probabilidade é finitamente aditiva se {A k } n, uma sequência de conjuntos disjuntos de F, então ( n ) n P A k = P (A k )
16 48 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Demonstração. Sejam A 1, A 2,, A n F disjuntos. Notemos inicialmente que P ( ) = 0, já que P (Ω) = P (Ω ) = P (Ω) + P ( ) + P ( ) + Definamos A k =, para k = n+1, n+2,. Então A 1, A 2, são disjuntos, logo ( n ) P A k ( ) = P A k = P (A k ) = = P ( ) + P ( ) + = n P (A k )+ n P (A k ) Exemplo Vejamos duas situações nas quais todo evento simples têm probabilidade um. Uma primeira situação é quando Ω = {ω}, F = {, Ω}, P ( ) = 0 e P ({ω}) = P (Ω) = 1. Uma segunda situação é considerando Ω = [0, 1], F = {, {0}, (0, 1], Ω}, P ( ) = P ((0, 1]) = 0 e P ({0}) = P (Ω) = 1. Percebemos que um modelo probabilístico para um experimento, ou simplesmente um modelo probabilístico, é constituído de um conjunto não vazio Ω de resultados possíveis, o espaço amostral, uma σ-álgebra F de eventos aleatórios e uma probabilidade P definida em F. Agora vamos definir o conceito abstrato matemático de espaço de probabilidade. Definição 2.7. Um espaço de probabilidade é um trio (Ω, F, P ) onde: (a) Ω é um conjunto não vazio de resultados possíveis de um experimento, (b) F é uma σ-álgebra de subconjuntos de Ω, (c) P é uma função de probabilidade definida em F. Devemos esclarecer que esta definição significa que, uma vez escolhido o espaço amostral, somente aos subconjuntos deste que pertençam à σ-álgebra F serão atribuídos valores de probabilidade. Um outro esclarecimento que devemos fazer é que a função de probabilidade não é única.
17 2.2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE 49 Exemplo Seja o experimento o lançamento de uma moeda, o espaço amostral Ω = {cara, coroa} e F a σ-álgebra de todos os subconjuntos de Ω. Definamos a função de probabilidade como P ({cara}) = 1/2, P ({coroa}) = 1/2 Então P é uma probabilidade bem definida. Similarmente, podemos definir P ({cara}) = 2/3 e P ({coroa}) = 1/3 ou P ({cara}) = 1 e P ({coroa}) = 0. De maneira geral, podemos definir P ({cara}) = p, P ({coroa}) = 1 p (0 p 1) como sendo a função de probabilidade no espaço amostral Ω. A importância de todos os elementos do espaço de probabilidade fica claro no exemplo a seguir, no qual todo evento simples têm probabilidade zero. Exemplo Considere o espaço de probabilidade (Ω, F, P ), onde Ω = (0, 1), F denota a σ-álgebra de todos os subintervalos de Ω e P é a função de probabilidade que atribui a cada intervalo da forma (a, b), 0 < a b < 1, o comprimento b a. Este espaço de probabilidade está bem definido e será considerado o espaço de probabilidade padrão no intervalo (0, 1). No entanto, para cada número real x (0, 1), o evento simples {x} têm probabilidade zero, segundo P. Isto significa que P ({x}) = 0. Para demonstrar isto, observemos que, para todo ϵ > 0 logo P ({x}) = 0. P ({x}) P ( {(x ϵ/2; x + ϵ/2)} ) = ϵ, Você poderia pensar que, se o espaço amostral Ω fosse enumerável, seguirse-ia que nem todo evento simples poderia ter probabilidade zero. Caso todo evento simples pertencesse à σ-álgebra, você estaria correto. No entanto, não existe espaço amostral enumerável, nem mesmo finito, no qual todo evento simples têm probabilidade zero. Considere o seguinte caso: espaço amostral Ω = {a, b, c}, F = {, {a}, {b, c}, Ω} e a função de probabilidade P ( ) = 0, P ({a}) = 0, P ({b, c}) = 1 e P (Ω) = 1 É claro que esta axiomática não foi a primeira proposta porém, mostrouse mais prática e útil do que teorias anteriores. Além disso, proporcionou um espaço de probabilidade preciso para cada experimento aleatório e criou um marco totalmente abstrato o qual possibilitou o desenvolvimento da teoria moderna das probabilidades. Uma situação interessante foi apresentada
18 50 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA no Exemplo Dependendo do pensamento podemos encontrar distintos valores de probabilidade para o mesmo evento, o qual, evidentemente é uma contradição ao fato de que dado um evento A, P (A) é única. Definição 2.8. Seja {A n } n=1 uma sequência de eventos da σ-álgebra F, definida no espaço amostral Ω. Dizemos que a sequência decresce para o vazio, denotado por {A n } n=1, se A n A n+1 n e A n = n=1 Nosso objetivo é mostrar que as exigências da Definição 2.6 não são únicas, no sentido de que utilizando outros axiomas também podemos definir a função de probabilidade com as mesmas propriedades. Para chegar a uma destas alternativas à definição axiomática apresentada, utilizaremos a definição acima de sequência que decresce para o vazio. Definição 2.9. Seja (Ω, F, P ) um espaço de probabilidade e {A n } n=1 uma sequência de eventos da σ-álgebra F que decresce para o vazio. Dizemos que P é contínua no vazio se lim P (A n) = 0 (2.2) n Exemplo Vamos considerar (Ω, F, P ) um espaço de probabilidade onde o espaço amostral é o conjunto Ω = {1, 2, 3, }, a σ-álgebra potência F = P(N) e como função de probabilidade P (A) = 1, A F min(a) Provar que P é função de probabilidade é uma tarefa do leitor. Queremos demonstrar aqui que P, definida acima, é uma função de probabilidade contínua no vazio. Como a definição sugere, escolhemos uma sequência de eventos de F que decresce para o vazio da forma A n = {n, n + 1, }. Observemos que P (A n ) = 1 n, logo lim n P (A n ) = 0
19 2.2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE 51 Teorema Seja (Ω, F, P ) um espaço de probabilidade. Uma função satisfazendo os axiomas I e II na definição de probabilidade e ainda finitamente aditiva é uma probabilidade se, e somente se, é contínua no vazio. Demonstração. Suponhamos que P é contínua no vazio. Sejam A 1, A 2, F disjuntos, queremos provar que ( ) P A n = P (A n ) n=1 Seja A = n=1 A n, então A = ( k n=1 A n) ( n=k+1 A n) e, pela aditividade finita, ( k ) P (A) = P (A n ) + P A n n=1 n=1 n=k+1 Seja B k = n=k+1 A n, então {B k } n=k+1 e, portanto, lim k P (B k ) = 0. Logo lim k k n=1 P (A n) = P (A) e então P (A) = n=1 P (A n). Suponhamos agora P uma função de probabilidade, queremos provar que é contínua no vazio. Sejam A 1, A 2, F tais que A n A n+1 e {A n } n=1, queremos provar que lim n P (A n ) = 0. Temos A 1 = (A 1 \ A 2 ) (A 2 \ A 3 ) A 1 = (A k \ A k+1 ) Cada A k \ A k+1 são disjuntos, então P (A 1 ) = P (A k \ A k+1 ), portanto, a série é convergente e Pela aditividade finita n 1 lim n P (A k \ A k+1 ) = P (A 1 ) P (A k \ A k+1 ) = P (A k ) P (A n+1 ),
20 52 logo e então CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA n 1 P (A 1 ) = lim P (A k \ A k+1 ) n = lim n [P (A 1 ) P (A n )], lim P (A 1) = 0 n Este teorema afirma que, se P é uma função de probabilidade e se {A n } n 1 for uma sequência de eventos que decresce para o vazio (Definição 2.8), então lim n P (A n ) = 0. Estamos agora em condições de apresentar uma definição axiomática alternativa de probabilidade. Teorema Seja (Ω, F, P ) um espaço de probabilidade. Os dois seguintes sistemas de axiomas são equivalentes: Sistema I: P (A) 0, para todo A F, P (Ω) = 1 e se {A n } n=1 é uma sequência de conjuntos disjuntos de F, então P ( n=1 A n) = n=1 P (A n), Sistema II: P (A) 0, para todo A F, P (Ω) = 1, se {A k } n é uma sequência de conjuntos disjuntos de F, então P ( n A k) = n P (A k) e se {B n } n=1 é uma outra sequência de eventos em F que decresce para o vazio, então lim n P (B n ) = 0. Demonstração. Exercício. Então, para verificar se a função P é uma probabilidade em F, basta verificar os axiomas do sistema I ou os axiomas do sistema II apresentados no Teorema Se o espaço amostral Ω for discreto e contiver ao menos n(< ) pontos, cada conjunto de um único ponto {w k }, k = 1,, n é um evento elementar e é suficiente atribuir probabilidade a cada {w k }. Então, se A F, onde F é a classe de todos os subconjuntos de Ω, P (A) = w A P ({w})
21 2.2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE 53 Uma tal atribuição é a atribuição da mesma probabilidade ou a atribuição de probabilidades uniformes. De acordo com esta atribuição, P ({w k }) = 1/n, k = 1,, n. Portanto P (A) = m/n, se A contiver m eventos elementais, 1 m n. Caso Ω seja discreto e contiver um número enumerável de pontos, não se pode fazer uma atribuição da mesma probabilidade a cada evento simples. Basta fazer a atribuição da probabilidade para cada evento elementar. Se A F, onde F é a classe de todos os subconjuntos de Ω, definimos P (A) = w A P ({w}). Se Ω contiver uma quantidade não enumerável de pontos, cada conjunto de um ponto é um evento simples e, novamente, não se pode fazer uma atribuição da mesma probabilidade. De fato, não se pode atribuir probabilidade positiva a cada evento elementar sem violar o axioma P (Ω) = 1. Neste caso, atribuímos probabilidades a eventos compostos constituídos por intervalos. Esta situação será tratada depois na Seção Exemplo Seja Ω = {1, 2, 3, } o conjunto de inteiros positivos e seja P(Ω) a classe de todos os subconjuntos de Ω. Definamos P em P(Ω) como a seguir: P ({k}) = 1, k = 1, 2, 2k Então P ({k}) = 1 e P define uma probabilidade. Devemos lembrar que, dado um espaço amostral Ω, uma álgebra de eventos F sempre é possível definir em Ω. No entanto podemos supor, sem perda de generalidade, que F é uma σ-álgebra em vez de álgebra, pelo Teorema de Extensão de Carathéodory 5. Este teorema garante que uma probabilidade definida em uma álgebra, e de acordo com os axiomas usuais, pode ser estendida de uma única maneira para a σ-álgebra gerada pela álgebra. Teorema 2.17 (Teorema de Extensão de Carathéodory). Seja Ω um espaço amostral e F uma álgebra de eventos de Ω. Seja P uma probabilidade definida em F. Então existe uma única função de probabilidade P, definida em σ(f), tal que P e P coindicem em F. Demonstração. Seja F σ = {A Ω : {A n } n=1, cada A n F, A n A, quando n } 5 Constantin Carathéodory ( ) foi um matemático alemão de origem grega.
22 54 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Na definição da classe de conjuntos F σ, {A n } n=1 é uma sequencia não decrescente que converge para A, isto é, {A n } n=1 é uma sequencia que satisfaz A n A n+1 e n=1a n = A. Definamos P : F σ [0, 1] de forma que, se A n A, quando n, então P (A) = lim n P (A n ). Vejamos que P está bem definida e estende P. Definamos para E Ω a função { } P (E) = inf P (A i ) : E A i, A i F (2.3) i=1 Verifiquemos se a função P é uma probabilidade em σ(f). i=1 Devemos esclarecer que este teorema não garante a existência de alguma σ-álgebra, qualquer seja o espaço amostral. Lembremos que σ(f) está definida em termos da existência de σ-álgebras Propriedades da probabilidade axiomática Consideremos que o espaço de probabilidade (Ω, F, P ) está definido num determinado experimento aleatório e chamemos de A F um evento aleatório qualquer na σ-álgebra F e, portanto, A é um evento ao qual podemos atribuir um valor de probabilidade único, segundo a função P. Nestas condições valem as seguintes propriedades. Teorema Seja (Ω, F, P ) um espaço de probabilidade. probabilidade satisfaz as seguintes propriedades: A função de (a) P (A c ) = 1 P (A), (b) 0 P (A) 1, (c) Se A B, então P (A) P (B) e ainda P (B\A) = P (B) P (A). (d) Sejam A 1, A 2,, A n elementos da σ-álgebra F. Então ( n ) P A k n P (A k ),
23 2.2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE 55 (e) Sejam A 1, A 2, elementos da σ-álgebra F. Então ( ) P A k P (A k ), (f) (Continuidade da probabilidade) Seja {A n } n=1 uma sequência de eventos não crescentes em F tais que convergem para o evento A, isto é, A n A n+1 para qualquer valor de n e n=1 A n = A. Então lim n P (A n) = P (A) Demonstração. (a) Como consequência dos axiomas I e III, A A c = Ω. Então P (A) + P (A c ) = 1. (b) Pelo axioma I, P (A) 0. Também A Ω, então P (A) 1. (c) Se A B, então B = (A B) (B\A) = A (B\A) segue então, pela aditividade da função de probabilidade, que P (B) = P (A) + P (B\A). (d) Observemos que P (A 1 A 2 ) = P (A 1 ) + P (A 2 A c 1) P (A 1 ) + P (A 2 ), isto pela propriedade (c), devido a A 2 A c 1 A 2. A demonstração completa-se por indução. (e) Exercício. (f) Observemos que P (A n ) P (A n+1 ), pela propriedade (c) e pela continuidade no vazio (Teorema 2.16), do fato da sequência {A n \ A} n 1 satisfazer que (A n+1 \ A) (A n \ A) e n 1 {A n \ A} =, temos que lim P (A n \ A) = 0 n A aditividade finita implica que P (A n \ A) = P (A n ) P (A), pois A A n. Resumindo, temos que lim [P (A n) P (A)] = 0 n e a sequência {P (A n )} n 1 é não crescente, logo lim n P (A n ) = P (A).
24 56 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Gostaríamos de salientar neste ponto que, se P (A) = 0 para algum A F, chamamos A de um evento com probabilidade zero ou um evento nulo. No entanto, isso não significa que A =. Por outro lado, se P (B) = 1 para algum B F, chamamos B de evento certo, mas isso não quer dizer que B = Ω. Exemplo Uma moeda é lançada três vezes. Vamos atribuir igual probabilidade para cada um dos 2 3 eventos elementares em Ω. Seja A o evento de que pelo menos uma cara aparece em três lances. Então P (A) = 1 P (A c ) = 1 P (nenhuma cara) = 1 P ({Coroa} {Coroa} {Coroa}) = 7 8 Deste resultado podemos obter algumas outras propriedades, por exemplo, a chamada desigualdade de Boole 6 a seguir, o princípio de inclusãoexclusão, a desigualdade de Bonferroni 7 e outros. Teorema 2.19 (Desigualdade de Boole). Seja (Ω, F, P ) um espaço de probabilidade e {A n } n 1, n = 1, 2,, uma sequência enumerável de eventos em F. Então ( ) P A n 1 P (A c n) n=1 n=1 Demonstração. Primeiro consideremos dois eventos A, B F, então P (A B) = 1 P ((A B) c ) 1 (P (A c ) + P (B c )), e definamos B = A n e A = A 1 n=2 6 George Boole ( ), matemático e filósofo inglês. Como o inventor da lógica booleana, base do computador moderno, Boole é visto em retrospecto como um dos fundadores da ciência da computação. 7 Carlo Emilio Bonferroni ( ), foi um matemático italiano que trabalhou na teoria das probabilidades.
25 2.2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE 57 Observemos agora que se A, B F, isto é, A e B eventos quaisquer da σ-álgebra, temos que A B = (A \ B) (B \ A) (A B) Os eventos acima a direita são todos disjuntos, então pelo Axioma III P (A B) = P (A \ B) + P (B \ A) + P (A B) e, dado que A = (A B) (A \ B) e B = (A B) (B \ A), chegamos a que P (A B) = P (A) + P (B) P (A B) (2.4) Como generalização desta propriedade temos o seguinte resultado. Teorema 2.20 (Princípio de inclusão-exclusão). Sejam A 1, A 2,, A n F, eventos definidos no espaço de probabilidade (Ω, F, P ). Então ( n ) n n P A k = P (A k ) P (A k1 A k2 ) k 1 <k 2 ( n n ) + P (A k1 A k2 A k3 ) + + ( 1) n+1 P A k k 1 <k 2 <k 3 Demonstração. Utilizar repetidas vezes o resultado em (2.4). Observemos que, da aplicação direta do resultado do Teorema 2.20, temos P (A B) = P (A) + P (B) P (A B) para o caso de dois eventos aleatórios e que, se tivermos três eventos aleatórios, então P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C) Exemplo Suponha que um dado seja lançado duas vezes e que a todos os eventos elementares em Ω = {(i, j) : i, j = 1, 2,, 6} atribuímos a mesma probabilidade. Considere A o evento de que o primeiro lance mostre
26 58 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA um número 2 e B, o evento em que o segundo lance mostre pelo menos o número 5. Então A = {(i, j) : 1 i 2, j = 1, 2,, 6}, B = {(i, j) : 5 j 6, i = 1, 2,, 6}, A B = {(1, 5); (1, 6); (2, 5); (2, 6)} Calculando a probabilidade a ocorrência simultânea destes dois eventos, obtemos que P (A B) = P (A) + P (B) P (A B) = = 5 9 Exemplo Seja (Ω, F, P ) um espaço de probabilidades e A, B F eventos tais que P (A) = 0, 25 e P (B) = 0, 8. Provemos que 0.05 P (A B) Observe que A B A e A B B, então P (A B) P (A) e P (A B) P (B). Portanto, do qual temos que P (A B) min{p (A), P (B)} P (A B) 0.25 Dado que A B Ω, temos que P (A B) 1, então P (A B) = P (A) + P (B) P (A B) 1 0, , 8 1 P (A B) do qual obtemos que 0.05 P (A B) Teorema Seja (Ω, F, P ) um espaço de probabilidade e {A n } n 1 uma sequência enumerável de eventos não decrescente em F, isto é, A n A n+1 para todo n. Então ( ) lim P (A n) = P A n n n=1 Demonstração. Primeiro consideremos dois eventos A, B F, então P (A B) = 1 P ((A B) c ) 1 (P (A c ) + P (B c )),
27 2.2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE 59 e definamos B = A n e A = A 1 n=2 Teorema 2.22 (Desigualdade de Bonferroni). Sejam A 1, A 2,, A n eventos aleatórios (n > 1), então n P (A k ) ( n ) P (A k A j ) P A k k<j n P (A k ) (2.5) Demonstração. Como consequência do item (d) do Teorema 2.18, será suficiente demonstrar a parte esquerda em (2.5) e isto será realizado por indução. A desigualdade a esquerda é verdadeira para n = 2, desde que Para n = 3 ( 3 ) P A k = P (A 1 ) + P (A 2 ) P (A 1 A 2 ) = P (A 1 A 2 ) 3 P (A k ) P (A i A j ) + P (A 1 A 2 A 3 ), i<j e o resultado em (2.5) é válido. Assumindo que (2.5) é válido para 3 < m n 1, mostraremos que também será válido para m + 1. ( m+1 ) [( m ) ] P A i = P A i A m+1 i=1 i=1 ( m ) [ ( m )] = P A i + P (A m+1 ) P A m+1 A i = m+1 i=1 m+1 i=1 i=1 ( m m ) P (A i ) P (A i A j ) P (A i A m+1 ) i<j m P (A i ) P (A i A j ) i=1 m+1 i<j m+1 P (A i ) P (A i A j ) i=1 i<j i=1 m P (A i A m+1 ) i=1
28 60 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Definição Seja F uma σ-álgebra de eventos do espaço amostral Ω e sejam A 1, A 2, eventos aleatórios definidos em F. Definimos, lim n sup A n = lim n inf A n = A k, n=1 k=n n=1 k=n A k Nesta definição podemos observar que que o evento lim n sup A n significa a ocorrência de um número infinto dos A n. Para justificar isto consideremos seja w lim n sup A n então w A k, k=n A função de probabilidade é uma função contínua, num sentido particular, a função de probabilidade é uma função de conjuntos contínua. Isso é demonstrado no teorema a seguir. n Teorema Seja (Ω, F, P ) um espaço de probabilidade e A 1, A 2, eventos aleatórios definidos em F, tais que lim n sup A n = lim n inf A n = A k, n=1 k=n n=1 k=n A k Se lim n sup A n = lim n inf A n dizemos que a sequência {A n } n=1 tem limite. Se o evento A F é o limite da sequência, isto é, se lim n A n = A então lim n P (A n) = P (A) Demonstração. Exercício.
29 2.3. PROBABILIDADE CONDICIONAL Probabilidade condicional Fixemos (Ω, F, P ) como o espaço de probabilidade de interesse e nele consideremos dois eventos A, B F, suponhamos também que P (B) > 0. Nesta seção, vamos perguntar e responder a seguinte pergunta. Se percebemos a ocorrência de um evento B: como devemos mudar as probabilidades dos eventos restantes? Chamaremos a nova probabilidade de um evento A a probabilidade condicional de A dado B. Queremos estudar então as mudanças na probabilidade de ocorrência do evento quando se conhece que um outro evento ocorreu. Nestes casos, devese redefinir o espaço amostral considerando apenas os elementos de B como resultados possíveis. Exemplo Por exemplo, considere o experimento de jogar um dado e nos perguntar sobre a probabilidade de obter um seis, sabendo que a cara escolhida mostra um número par. Neste caso, a probabilidade não é 1/6, uma vez que temos a certeza de que o resultado está no conjunto {2, 4, 6}. Cada um destes três resultados têm igual probabilidade, então a probabilidade de obtermos um seis sabendo que o resultado é par será 1/3. Vamos tentar determinar qual deve ser a probabilidade de um evento A condicionado ao conhecimento de que o evento B ocorreu, usando a interpretação heurística de probabilidade como limite da frequência com que um evento ocorre. Para isso, suponha que fizemos n réplicas independentes da experiência. Denotamos como n B o número de vezes que o evento B ocorre e por n A B o número de vezes nas quais ocorreu o resultado A B. Heuristicamente a probabilidade condicional de A dado B é o limite da frequência de ocorrência de A nos experimentos onde ocorre B, ou seja, o limite de n A B /n B. Logo, a probabilidade de que ocorra A condicionado a B é dada por n A B lim n n B = lim n n A B n n Bn Isto justifica a seguinte definição. n A B n = lim n n lim Bn = n P (A B) P (B) Definição Seja (Ω, F, P ) um espaço de probabilidade e A, B F tal que P (B) > 0. Definimos a probabilidade condicional de A dado B, a qual escreveremos como P (A B), como P (A B) = P (A B), A F (2.6) P (B)
30 62 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA Observe que P ( B), para cada B fixo deve ser uma função de probabilidade, isto é demonstrado no teorema a seguir. Teorema Seja (Ω, F, P ) um espaço de probabilidade. Dado um evento B F tal que P (B) > 0 fixo definamos a função e P : Ω [0, 1] como ep (A) = P (A B), para todo A F. Então (Ω, F, e P ) é um espaço de probabilidade. Demonstração. Observemos que o numerador de P (A B) é um número real não negativo para qualquer A F. Então P ( B) será sempre positivo ou zero. (i) ep (Ω) = P (Ω B) = P (Ω B) P (B) = P (B) P (B) = 1 (ii) Sejam A 1, A 2, F eventos disjuntos em pares, ou seja, eventos tais que A i A j =, quaisquer sejam i j. Então ( ) ( ) ep A k = P A k B = P (( A k) B) P (B) = P ( A k B) = P (A k B) P (B) P (B) P (A k B) = = P (A k B) = ep (A k ) P (B) O que fizemos foi considerar um novo espaço amostral consistindo do evento B e da σ-álgebra e F = F B de subconjuntos A B, A F em B. Neste espaço definimos a função e P multiplicando a probabilidade de cada evento por P (B) 1. Na verdade (Ω, e F, e P ) é um espaço de probabilidade. Exemplo Imagine que três candidatos A, B e C estão concorrendo para o Senado. Decidimos que A e B têm a mesma chance de ganhar e que a chance de C ganhar é de apenas metade da chance de A ganhar. Entendemos então que as probabilidades de ganhar são P (A) = 2/5, P (B) = 2/5 e P (C) = 1/5.
31 2.3. PROBABILIDADE CONDICIONAL 63 Suponha-se que antes da realização da eleição o candidato A cai fora da corrida. Seria natural atribuir novas probabilidades aos eventos B e C, que sejam proporcionais às probabilidades originais. Assim, teríamos P (B A não é mais candidato) = 2/3 e P (C A não é mais candidato) = 1/3. É importante notar que a qualquer momento podemos atribuir probabilidades a eventos da vida real, a probabilidade resultante será útil somente se levarmos em conta toda a informação relevante. Neste exemplo, poderíamos ter o conhecimento de que a maioria dos eleitores irão votar a favor de C dado que A não está mais na corrida. Isto tornará claramente a probabilidade condicional de C ganhar maior do que o valor de 1/3 atribuído anteriormente. Teorema Seja C 1, C 2,, C n F uma partição de Ω. Então P (A B) = n P (A C k B) (2.7) Demonstração. Observemos que n (A C k) = A e que A C k são eventos disjuntos em pares, temos então que ( n ) n P (A B) = P (A C k ) B = P (A C k B), como queríamos demonstrar. Exemplo Uma senhora da alta sociedade dá uma festa em sua mansão. Ao término da festa, ela descobre que sua coleção de joias foi roubada. Após as investigações, a polícia tem certeza de que o ladrão foi precisamente uma das 76 pessoas presentes à festa (entre convidados e garçons). Ademais, os investigadores encontram na cena do crime o perfil de DNA do ladrão, e sabe-se que este perfil de DNA ocorre em 2% de toda população. Dado que o DNA do Sr. João, o primeiro suspeito cujo DNA é analisado, combina com o perfil achado na cena do crime, qual é a probabilidade de que ele tenha roubado as joias? Queremos calcular P (Sr. João tenha roubado as joias perfil de DNA do ladrão), e para isso sabemos que P (Sr. João tenha roubado as joias e tenha perfil de DNA do ladrão) = 1/76
32 64 CAPÍTULO 2. PROBABILIDADE AXIOMÁTICA e que P (perfil de DNA do ladrão) = 0, 02. Utilizando a definição de probabilidade condicional obtemos que a probabilidade de que Sr. João tenha roubado as joias é de 66%, aproximadamente. Consideremos A e B dois eventos tais que P (A) > 0 e P (B) > 0. Segue da expressão em (2.6) que a qual pode ser escrita também como P (A B) = P (A)P (A B) P (A B) = P (A)P (B A) Estas relações podem ser generalizadas para qualquer número finito de eventos. Sejam A 1, A 2,, A n F, n 2, tais que P ( n A k) > 0. Dado que A 1 (A 1 A 2 ) (A 1 A 2 A 3 ) ( n 2 A ) ( k n 1 A k), da qual percebemos que P (A 1 ) > 0, P (A 1 A 2 ) > 0,, P ( n 2 A k) > 0 Segue então que P (A m m 1 A k) está bem definida para m = 2, 3,, n. Teorema 2.26 (Teorema da probabilidade Total). Seja (Ω, F, P ) um espaço de probabilidade e A 1, A 2, uma partição de Ω, tal que P (A k ) > 0, k. Então P (B) = P (A k )P (B A k ), B F (2.8) Demonstração. Observemos que B = (B A k ), e que B A 1, B A 2, é uma partição de Ω. Então P (B) = P (B A k ) = P (A k )P (B A k )
33 2.3. PROBABILIDADE CONDICIONAL 65 Exemplo Um experimento consiste em selecionar uma bola de três urnas segundo o seguinte procedimento: a urna 1 contém um bola branca e duas bolas pretas, a urna 2 contém uma bola preta e duas bolas brancos e a urna 3 contém três bolas pretas e três bolas brancas. Um dado é lançado. Se a face superior mostra os números 1, 2 ou 3 a urna 1 é seleccionado; caso mostra 4 a urna 2 é selecionado e se 5 ou 6 são mostrados, a urna 3 é a selecionada. Uma bola é, então, aleatoriamente escolhida a partir da urna selecionada. Seja A o evento que a boal escolhida seja branca e queremos encontrar P (A). Sejam U, V e W eventos que designam a urna selecionada ter sido 1, 2 ou 3, respectivamente. Então sabemos que Segue, da expressão em (2.8), que A = (A U) (A V ) (A W ), P (A U) = P (U)P (A U) = , P (A V ) = P (V )P (A V ) = , P (A W ) = P (W )P (A W ) = P (A) = P (U)P (A U) + P (V )P (A V ) + P (W )P (A W ) = 4 9 Teorema 2.27 (Teorema da Multiplicação). Seja (Ω, F, P ) um espaço de probabilidade e A 1, A 2,, A n F tais que Então P ( n A k ) > 0 P ( n A k ) = P (A 1 )P (A 2 A 1 )P (A 3 A 1 A 2 ) P ( A n n 1 A k) (2.9) Demonstração. Exercício. Em algumas situações estamos interessados em consideramos probabilidades condicionais da seguinte forma: Dado o resultado da segunda fase de uma experiência de dois estágios, encontrar a probabilidade de um resultado na primeira etapa. Para so cálculos destas probabilidades utilizamos o teorema a seguir o qual é uma simples consequência da regra da probabilidade total e é conhecido como teorema de Bayes.
1 Probabilidade: Axiomas e Propriedades
1 Probabilidade: Axiomas e Propriedades 1.1 Definição Frequentista Considere um experimento aleatório que consiste no lançamento de um dado honesto. O espaço amostral desse experimento é Ω = {1, 2, 3,
Leia maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia mais3 NOÇÕES DE PROBABILIDADE
3 NOÇÕES DE PROILIDDE 3.1 Conjuntos Um conjunto pode ser considerado como uma coleção de objetos chamados elementos do conjunto. Em geral denota-se conjunto por letras maiúsculas,, C,... e a sua representação
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisSumário. 2 Índice Remissivo 12
i Sumário 1 Definições Básicas 1 1.1 Fundamentos de Probabilidade............................. 1 1.2 Noções de Probabilidade................................ 3 1.3 Espaços Amostrais Finitos...............................
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA. Medida e Probabilidade
UNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA Medida e Probabilidade Aluno: Daniel Cassimiro Carneiro da Cunha Professor: Andre Toom 1 Resumo Este trabalho contem um resumo dos principais
Leia maisProbabilidade. Professora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise
Probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Você reconhece algum desses experimentos? Alguns
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisProbabilidade. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Probabilidade Probabilidade Experimento Aleatório Um experimento é dito aleatório quando satisfaz
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisNOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE Prof.: Idemauro Antonio Rodrigues de Lara 2 Experimentos aleatórios Definição 1. Experimentos aleatórios são experimentos que quando executados
Leia maisA DEFINIÇÃO AXIOMÁTICA DO CONJUNTO DOS NÚMEROS NATURAIS.
A DEFINIÇÃO AXIOMÁTICA DO CONJUNTO DOS NÚMEROS NATURAIS. SANDRO MARCOS GUZZO RESUMO. A construção dos conjuntos numéricos é um assunto clássico na matemática, bem como o estudo das propriedades das operações
Leia maisExperiências Aleatórias. Espaço de Resultados. Acontecimentos
Experiências Aleatórias. Espaço de Resultados. Acontecimentos Experiência Aleatória É uma experiência em que: não se sabe exactamente o resultado que se virá a observar; conhece-se o universo dos resultados
Leia maisMétodos Estatísticos Básicos
Aula 6 - Introdução à probabilidade Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Experimento Experimento aleatório (E ): é um experimento que pode ser repetido indenidamente
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia maisIntrodução à Probabilidade
A Teoria de Probabilidade é responsável pelo estudo de fenômenos que envolvem a incerteza (é impossível prever antecipadamente o resultado) e teve origem na teoria de jogos, servindo como ferramenta para
Leia mais1.3 Conjuntos de medida nula
1.3 Conjuntos de medida nula Seja (X, F, µ) um espaço de medida. Um subconjunto A X é um conjunto de medida nula se existir B F tal que A B e µ(b) = 0. Do ponto de vista da teoria da medida, os conjuntos
Leia maisContando o Infinito: os Números Cardinais
Contando o Infinito: os Números Cardinais Sérgio Tadao Martins 4 de junho de 2005 No one will expel us from the paradise that Cantor has created for us David Hilbert 1 Introdução Quantos elementos há no
Leia maisTeoria da Medida e Integração (MAT505)
Transporte de medidas Teoria da Medida e Integração (MAT505) Transporte de medidas e medidas invariantes. Teorema de Recorrência de Poincaré V. Araújo Instituto de Matemática, Universidade Federal da Bahia
Leia maisTeoria das Probabilidades
Teoria das Prof. Eduardo Bezerra (CEFET/RJ) 23 de fevereiro de 2018 Eduardo Bezerra (CEFET/RJ) Teoria das 2018.1 1 / 54 Roteiro Experimento aleatório, espaço amostral, evento 1 Experimento aleatório, espaço
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisUm espaço métrico incompleto 1
Universidade Estadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência anos c Publicação Eletrônica do KIT http://www.dma.uem.br/kit Um espaço métrico incompleto
Leia maisSumário. 2 Índice Remissivo 9
i Sumário 1 Teoria dos Conjuntos e Contagem 1 1.1 Teoria dos Conjuntos.................................. 1 1.1.1 Comparação entre conjuntos.......................... 2 1.1.2 União de conjuntos...............................
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula 3 03/14 1 / 20
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 3 03/14 1 / 20 Probabilidade Prof. Tarciana Liberal (UFPB) Aula 3 03/14 2 / 20 Probabilidade
Leia maisELEMENTOS DE PROBABILIDADE. Prof. Paulo Rafael Bösing 25/11/2015
ELEMENTOS DE PROBABILIDADE Prof. Paulo Rafael Bösing 25/11/2015 ELEMENTOS DE PROBABILIDADE Def.: Um experimento é dito aleatório quando o seu resultado não for previsível antes de sua realização, ou seja,
Leia maisProbabilidade e Estatística
Plano de Curso Probabilidade e Estatística UAEst/CCT/UFCG Ementa Fenômeno aleatório versus fenômeno determinístico. Espaço amostral e eventos. Introdução à teoria das probabilidades. Abordagem axiomática
Leia mais1 Experimentos, espaço amostral, eventos
LC5806-6 Estatística Matemática I Profa. Roseli Aparecida Leandro 1 Experimentos, espaço amostral, eventos Um dos objetivos de um estatístico é tirar conclusões sobre uma população de objetos através da
Leia maisNotas Para o Curso de Medida e. Daniel V. Tausk
Notas Para o Curso de Medida e Integração Daniel V. Tausk Sumário Capítulo 1. Medida de Lebesgue e Espaços de Medida... 1 1.1. Aritmética na Reta Estendida... 1 1.2. O Problema da Medida... 6 1.3. Volume
Leia maisEstatística (MAD231) Turma: IGA. Período: 2017/2
Estatística (MAD231) Turma: IGA Período: 2017/2 Aula #01 de Probabilidade: 27/09/2017 1 Probabilidade: incerteza? como medir e gerenciar a Introdução Os jornais informaram que há uma chance de 60% de chover
Leia mais14/03/2014. Tratamento de Incertezas TIC Aula 1. Conteúdo Espaços Amostrais e Probabilidade. Revisão de conjuntos. Modelos Probabilísticos
Tratamento de Incertezas TIC-00.176 Aula 1 Conteúdo Espaços Amostrais e Probabilidade Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisσ-álgebras, geradores e independência
σ-álgebras, geradores e independência Roberto Imbuzeiro M. F. de Oliveira 15 de Março de 2009 Resumo Notas sobre a σ-álgebra gerada por uma variável aleatória X e sobre as condições de independência de
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Probabilidade I 07/16 1 / 23
I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Probabilidade I 07/16 1 / 23 Probabilidade As definições de probabilidade apresentadas anteriormente podem
Leia maisA Equivalência entre o Teorema do Ponto Fixo de Brouwer e o Teorema do Valor Intermediário
A Equivalência entre o Teorema do Ponto Fixo de Brouwer e o Teorema do Valor Intermediário Renan de Oliveira Pereira, Ouro Preto, MG, Brasil Wenderson Marques Ferreira, Ouro Preto, MG, Brasil Eder Marinho
Leia maisTratamento de Incertezas TIC MINTER-IFMT
Tratamento de Incertezas TIC-10.005 MINTER-IFMT Aula 1 Conteúdo Espaços Amostrais e Probabilidade Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2016.2/tic-10.005
Leia maisAxiomatizações equivalentes do conceito de topologia
Axiomatizações equivalentes do conceito de topologia Giselle Moraes Resende Pereira Universidade Federal de Uberlândia - Faculdade de Matemática Graduanda em Matemática - Programa de Educação Tutorial
Leia maisProf. Herivelto Tiago Marcondes dos Santos
PROBABILIDADES Algumas ocorrências de nosso cotidiano de certos fenômenos naturais não podem ser previstos antecipadamente. Há nessas ocorrências o interesse em estudar a intensidade de chuvas em uma determinada
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia maisprobabilidade PE-MEEC 1S 09/10 16 Capítulo 2 - de probabilidade 2.1 Experiências aleatórias. resultados. Acontecimentos probabilidade.
Capítulo 2 - Noções básicas de probabilidade 2.1 Experiências aleatórias. Espaço de resultados. Acontecimentos 2.2 Noção de probabilidade. Interpretações de Laplace, frequencista e subjectivista. Axiomas
Leia maisIntrodução à Estatística
Introdução à Estatística Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução a Probabilidade Existem dois tipos de experimentos:
Leia maisProbabilidades- Teoria Elementar
Probabilidades- Teoria Elementar Experiência Aleatória Experiência aleatória é uma experiência em que: não se sabe exactamente o resultado que se virá a observar, mas conhece-se o universo dos resultados
Leia maisPROBABILIDADE. Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti
Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti PROBABILIDADE Dizemos que a probabilidade é uma medida da quantidade de incerteza que existe em um determinado experimento.
Leia maisCapítulo 2. Conjuntos Infinitos. 2.1 Existem diferentes tipos de infinito
Capítulo 2 Conjuntos Infinitos Um exemplo de conjunto infinito é o conjunto dos números naturais: mesmo tomando-se um número natural n muito grande, sempre existe outro maior, por exemplo, seu sucessor
Leia maisTeoria das Probabilidades
Experiência aleatória Observação de uma acção cujos resultados não são conhecidos a priori (conhecendo-se no entanto quais as possibilidades) Características: Possibilidade de repetição da experiência
Leia mais1 Limites e Conjuntos Abertos
1 Limites e Conjuntos Abertos 1.1 Sequências de números reais Definição. Uma sequência de números reais é uma associação de um número real a cada número natural. Exemplos: 1. {1,2,3,4,...} 2. {1,1/2,1/3,1/4,...}
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2014.2 1 / 20 Sumário 1 Apresentação
Leia maisExercícios de revisão para a primeira avaliação Gabaritos selecionados
UFPB/CCEN/DM Matemática Elementar I - 2011.2 Exercícios de revisão para a primeira avaliação Gabaritos selecionados 1. Sejam p, q e r proposições. Mostre que as seguintes proposições compostas são tautologias:
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À ROILIDDE 2014 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia mais1 Definição Clássica de Probabilidade
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 4 Professor: Carlos Sérgio UNIDADE 2 - Probabilidade: Definições (Notas de aula) 1 Definição Clássica
Leia maisCap. 4 - Probabilidade
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 4 - Probabilidade APOIO: Fundação de Apoio à Pesquisa
Leia maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
Leia mais3 Sistema de Steiner e Código de Golay
3 Sistema de Steiner e Código de Golay Considere o sistema de Steiner S(5, 8, 24, chamaremos os seus blocos de octads. Assim, as octads são subconjuntos de 8 elementos de um conjunto Ω com 24 elementos
Leia maisDANIEL V. TAUSK. se A é um subconjunto de X, denotamos por A c o complementar de
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK Ao longo do texto, denotará sempre um espaço topológico fixado. Além do mais, as seguintes notações serão utilizadas: supp f denota o suporte
Leia maisMAT 461 Tópicos de Matemática II Aula 2: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 2: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 14 de Agosto, 2013 Probabilidade: uma Introdução / Aula 2 1 Combinatória (Cont.) Combinações,
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Combinatória Aula de hoje Probabilidade Condicional Independência de Eventos
Leia maisTeoria das Probabilidades
08/06/07 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica Universidade Federal do Pará Instituto
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisPROBABILIDADE 1. INTRODUÇÃO
proporção de caras Revisões PROBABILIDADE 1. INTRODUÇÃO As experiências aleatórias apresentam as seguintes características:.o resultado individual é imprevisível.são conhecidos todos os possíveis resultados.a
Leia maisPROBABILIDADE. Há várias definições para probabilidade. As três mais utilizadas são: Clássica, Frequentista e Axiomática
2 PROBABILIDADE Há várias definições para probabilidade. As três mais utilizadas são: Clássica, Frequentista e Axiomática Definição 2.1 (Clássica): Seja A um evento e Ω o espaço amostral finito, então
Leia maisTeoria das Desições Financeiras II p.1/22
Teoria das Desições Financeiras II José Fajardo Barbachan IBMEC Business School Rio de Janeiro Teoria das Desições Financeiras II p.1/22 Objetivo Neste curso o aluno aprenderá diversas ferramentas probabílisticas,
Leia maisTeoria Ingênua dos Conjuntos (naive set theory)
Teoria Ingênua dos Conjuntos (naive set theory) MAT 131-2018 II Pouya Mehdipour 5 de outubro de 2018 Pouya Mehdipour 5 de outubro de 2018 1 / 22 Referências ALENCAR FILHO, E. Iniciação à Lógica Matemática,
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2019 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia maisNotas de Aula de Probabilidade A
I- CONCEITOS INICIAIS. 1.1- INTRODUÇÃO. PROBABILIDADE POPULAÇÃO AMOSTRA ESTATÍSTICA 1.2- CONJUNTOS. 1.2.1- DEFINIÇÃO. Conjunto é uma coleção de objetos chamados de elementos do conjunto. Em geral denota-se
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #01 de Probabilidade: 28/09/2018 1 Probabilidade: incerteza? como medir e gerenciar a Introdução Os jornais informaram que há uma chance de 60% de chover
Leia maisProf.Letícia Garcia Polac. 26 de setembro de 2017
Bioestatística Prof.Letícia Garcia Polac Universidade Federal de Uberlândia UFU-MG 26 de setembro de 2017 Sumário 1 2 Probabilidade Condicional e Independência Introdução Neste capítulo serão abordados
Leia maisTeoremas de uma, duas e três séries de Kolmogorov
Teoremas de uma, duas e três séries de Kolmogorov 13 de Maio de 013 1 Introdução Nestas notas Z 1, Z, Z 3,... é uma sequência de variáveis aleatórias independentes. Buscaremos determinar condições sob
Leia maisNúmeros naturais e cardinalidade
Números naturais e cardinalidade Roberto Imbuzeiro M. F. de Oliveira 5 de Janeiro de 2008 Resumo 1 Axiomas de Peano e o princípio da indução Intuitivamente, o conjunto N dos números naturais corresponde
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia maisAULA 4 -Probabilidade Condicional e Regra de Bayes
AULA 4 - e Regra de Bayes Susan Schommer Introdução à Estatística Econômica - IE/UFRJ : exemplos A soma dos resultados de dois lançamentos de um dado é 9. Qual a probabilidade do primeiro resultado ter
Leia maisPROBABILIDADE E ESTATÍSTICA PROBABILIDADES
PROBABILIDADE E ESTATÍSTICA PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Revisando - Análise combinatória
Leia maisTeoria das Probabilidades
Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 08:8 ESTATÍSTICA APLICADA I - Teoria das
Leia maisAULA 5 - Independência, Combinatória e
AULA 5 - Independência, Combinatória e permutações Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Independência Um importante caso particular da probabilidade condicional surge quando a ocorrˆncia
Leia maisDado um inteiro positivo n, definimos U(n) como sendo o conjunto dos inteiros positivos menores que n e primos com n. Não é difícil ver que a
Exemplo (U(n)) Dado um inteiro positivo n, definimos U(n) como sendo o conjunto dos inteiros positivos menores que n e primos com n. Não é difícil ver que a multiplicação módulo n é uma operação binária
Leia mais= (365 k + 1). (365 k)! = 1.
Exemplo 6: (O problema do aniversário) Existem k pessoas numa sala. Supondo que o aniversário de cada pessoa é igualmente provável e que não há gêmeos na sala, qual a probabilidade de que duas ou mais
Leia maisTEMA 2 PROPRIEDADES DE ORDEM NO CONJUNTO DOS NÚMEROS REAIS
TEMA 2 PROPRIEDADES DE ORDEM NO CONJUNTO DOS NÚMEROS REAIS O conjunto dos números reais,, que possui as seguintes propriedades:, possui uma relação menor ou igual, denotada por O1: Propriedade Reflexiva:
Leia maisINTRODUÇÃO À TEORIA DOS CONJUNTOS
1 INTRODUÇÃO À TEORIA DOS CONJUNTOS Gil da Costa Marques 1.1 Introdução 1.2 Conceitos básicos 1.3 Subconjuntos e intervalos 1.4 O conjunto dos números reais 1.4.1 A relação de ordem em 1.5 Intervalos 1.5.1
Leia maisAula 06. Introdução ao Cálculo de Probabilidades. Stela Adami Vayego - DEST/UFPR 1
ula 06 Introdução ao Cálculo de robabilidades Stela dami Vayego - DEST/UR 1 Experimentos ou enômenos leatórios São experimentos que, quando repetidos em condições similares, fornecem resultados diferentes.
Leia maisCapítulo 2. Conjuntos Infinitos
Capítulo 2 Conjuntos Infinitos Não é raro encontrarmos exemplos equivocados de conjuntos infinitos, como a quantidade de grãos de areia na praia ou a quantidade de estrelas no céu. Acontece que essas quantidades,
Leia mais1 Conjuntos enumeráveis
Medida e Integração. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales de maio de 007. Conjuntos enumeráveis Denotamos por Q os numeros racionais, logo [0, ] Q, são os números racionais
Leia maisTeoria Ergódica (9 a aula)
Outubro 2012 Espaços de Sequências Seja (X, d 0 ) um espaço métrico compacto. B Z (X ) = X Z = { x = (x j ) j Z : x j X, j Z } B N (X ) = X N = { x = (x j ) j N : x j X, j N } B(X ) designa indiferentemente
Leia maisTópicos de Matemática. Teoria elementar de conjuntos
Tópicos de Matemática Lic. em Ciências da Computação Teoria elementar de conjuntos Carla Mendes Dep. Matemática e Aplicações Universidade do Minho 2010/2011 Tóp. de Matemática - LCC - 2010/2011 Dep. Matemática
Leia maisNoções sobre Probabilidade
Noções sobre Probabilidade Introdução Vimos anteriormente como apresentar dados em tabelas e gráficos, e também como calcular medidas que descrevem características específicas destes dados. Mas além de
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROILIDDE 2011 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia maisConceitos básicos de teoria da probabilidade
Conceitos básicos de teoria da probabilidade Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
Leia maisTeoria intuitiva de conjuntos
Teoria intuitiva de conjuntos.................................... 1 Relação binária............................................ 10 Lista 3................................................. 15 Teoria intuitiva
Leia maisCapítulo 1. Conjuntos e Relações. 1.1 Noção intuitiva de conjuntos. Notação dos conjuntos
Conjuntos e Relações Capítulo Neste capítulo você deverá: Identificar e escrever os tipos de conjuntos, tais como, conjunto vazio, unitário, finito, infinito, os conjuntos numéricos, a reta numérica e
Leia maisConjuntos. Ou ainda por diagrama (diagrama de Venn-Euler):
Capítulo 1 Conjuntos Conjunto é uma coleção de objetos, não importando a ordem ou quantas vezes algum objeto apareça, exemplos: Conjunto dos meses do ano; Conjunto das letras do nosso alfabeto; Conjunto
Leia maisAULA 3 - Modelos probabiĺısticos, axiomas da probabilidade, espaços amostrais
AULA 3 - Modelos probabiĺısticos, axiomas da probabilidade, espaços amostrais Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Experimento não determinístico Definition (Experimento não determinístico)
Leia maisMEDIDAS COM SINAL.. Uma medida com sinal σ-aditiva (ou, simplesmente, uma medida com sinal) µ(a n ) def = lim
MEDIDAS COM SINAL DANIEL V. TAUSK 1. Definição. Seja C uma coleção de conjuntos tal que C. Uma medida com sinal finitamente aditiva em C é uma função µ : C R tal que: µ( ) = 0; se (A n ) t é uma seqüência
Leia maisUniversidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática. O Teorema de Arzelá. José Renato Fialho Rodrigues
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática O Teorema de Arzelá José Renato Fialho Rodrigues Belo Horizonte - MG 1994 José Renato Fialho Rodrigues O Teorema
Leia maisANTÔNIO LUIZ PEREIRA E SEVERINO TOSCANO MELO
CONTANDO ÁREAS (O TEOREMA DE PICK) Introdução Consideremos um polígono P no plano cartesiano. Se os vértices de P têm todos coordenadas inteiras, então a Fórmula de Pick para sua área é (1) A = i+ f 1,
Leia maisNo. Try not. Do... or do not. There is no try. - Master Yoda, The Empire Strikes Back (1980)
Cálculo Infinitesimal I V01.2016 - Marco Cabral Graduação em Matemática Aplicada - UFRJ Monitor: Lucas Porto de Almeida Lista A - Introdução à matemática No. Try not. Do... or do not. There is no try.
Leia mais